Machine learning-based vowel classification using two ultrasonic transducers in pulse-echo mode
Notice bibliographique
Résumé
This study investigated a simpler alternative to cumbersome multisensor systems (e.g., multi-channel EMG) for articulatory gesture recognition. The method was validated in a vowel classification task analyzing pulse-echo waveforms from articulatory muscles. Pulse-echo signals for five Japanese vowels and a neutral state were acquired from two male subjects (20s). Two 5-MHz ultrasonic transducers (UTs) with a diameter of 10 mm were placed on the chin near the digastric muscle. Signals were acquired using two pulser-receivers (pulse repetition frequency: 2 kHz) and an oscilloscope (sampling frequency: 625 MHz). Five 6-s trials (2 s neutral, 2 s vowel, 2 s neutral) were conducted for each vowel. Spatial features were obtained using a discrete wavelet transform and mean absolute value, while temporal features were derived from their time differences. After feature selection, k-nearest neighbors (kNN) and linear discriminant analysis (LDA) classifiers were trained. Performance was validated using trial-based 5-fold cross-validation. For comparison, the same experiments and analyses were conducted with UTs on both cheeks near the masseter muscles. The LDA classifier achieved higher accuracies of 94% (digastric muscle) and 83% (masseter muscle) compared to the kNN classifier with 80% and 70%, respectively. Similar results from the second subject support the method's effectiveness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».